SIENA (Structural Image Evaluation, using Normalization, of Atropy) ist Teil der FMRIB (Ox-ford Centre for Functional Magnetic Resonance Imaging of the Brain) Software-Bibliothek (www.fmrib.ox.ac.uk/fsl/). Dieses kostenfrei verfügbare Programmpaket enthält verschie-dene Funktionen zur Bearbeitung von fMRT- (funktionelle Magnetresonanztomographie), MRT- und DTI- (Diffusions-Tensor-Bildgebung) Gehirnaufnahmen. Die Software kann unter anderem zur Analyse von Atrophie-bedingten Veränderungen der Gehirnsubstanz einge-setzt werden. Die entsprechenden Analysen können dabei cross-sectional, d.h. anhand nes an nur einem Zeitpunkt aufgenommenen Bildes, oder aber anhand mehrerer über ei-nen bestimmten Zeitraum (longitudinal) aufgenommener Aufnahmen erfolgen (Smith et
13 al. 2001a; Smith et al. 2002). Im Rahmen dieser Arbeit wurde die Version 3.2 des FSL-Pakets und die longitudinale Funktion von SIENA eingesetzt.
SIENA berechnet aus zwei Bild-Datensätzen eine prozentuale Volumenänderung des Hirn-parenchyms (Percentual Brain Volume Change, PBVC) zwischen den zwei Untersuchungs-zeitpunkten (Smith et al. 2001a). In der vorliegenden Arbeit wurden dafür TFL-Bilder der einzelnen Studienteilnehmer analysiert, die Auswahl dieser Sequenz wird im Ergebnis-Ab-schnitt erläutert. Das SIENA-Paket beinhaltet mehrere Funktionen, die nacheinander auto-matisch ablaufen. Zunächst werden im input-Bild die Gehirnabschnitte vom Schädelkno-chen getrennt (Smith 2002) (s. Abschnitt 2.3.1). Die entstandenen „Gehirnbilder“ werden daraufhin aufeinander registriert, abgeglichen und es wird ein Bild erzeugt, welches genau
„auf halbem Weg“ (halfway-to) zwischen beiden Ursprungsbildern liegt. So wird sicherge-stellt, dass beide Bilder einem ähnlichen Grad an interpolationsbedingter Unschärfe unter-liegen (Smith et al. 2002) (s. Abschnitt 2.3.2). Es folgt eine Segmentierung in drei Gewebe-klassen (graue Substanz, weiße Substanz und Liquor), die es ermöglicht, die Pixel in ent-sprechende Kategorien einzuteilen (Zhang et al. 2001) (s. Abschnitt 2.3.3). Der Übergang von Liquor (bzw. non-brain) zum Hirnparenchym wird interpoliert und so die Grenzflächen identifiziert. An dieser Stelle wird die Hirnvolumenänderung gemessen und in einem letz-ten Schritt in eine globale prozentuale Hirnvolumenänderung umgerechnet (final PBVC [%]).
Im Folgenden sollen die einzelnen Arbeitsschritte von SIENA erläutert werden. Wird SIENA gestartet, laufen nacheinander automatisch folgende Schritte ab: BET, FLIRT, FAST, Interpolation der Grenzfläche und endgültige Atrophie-Bestimmung (SIENA).
2.3.1 BET (Brain Extraction Tool)
Die Entwicklung des BET hatte zum Ziel, eine vollautomatisierte Unterscheidung von Gehirn-Gewebe und „Nicht-Gehirn-Gewebe“ zu ermöglichen (Smith 2002). Dies erfolgt in folgenden Arbeitsschritten: Zunächst wird ein Intensitätshistogramm des input-Bildes erstellt, das eine grobe Unterscheidung zwischen Gehirn und Nicht-Gehirn zulässt. Das Zentrum des 3D-Volumens wird ermittelt, danach wird ein kreisförmiges Netz erzeugt, das
14 sich vom Bildzentrum aus an die Gehirngrenzen herantastet und diese so genau wie möglich bestimmt (s. Abb. 2).
Abbildung 2: BET mod. durch S. Leiterholt, aus Smith 2002, S. 149.
Der initiale Durchmesser des Netzes beträgt den halben ermittelten Radius des Kopfes. An einigen Stellen (rote Pfeile) liegen die Gehirngrenzen bereits zu Beginn innerhalb des Anpassungsnetzes. Dies hat zur Folge, dass sich das Netz an dieser Stelle zurückziehen muss (anstatt sich von innen nach außen an die Gehirngrenzen heranzutasten). Laut Smith (2002) liefert letztere Form der Netzausbreitung schlechtere Ergebnisse. Wie beschrieben, kam es bei den vorliegenden Daten mit 256 mm FoV häufig dazu, dass der Mittelpunkt, von welchem sich das BET-Netz ausbreitet, ventral außerhalb des Gehirns lag. Dies führte zu fehlerhaften Segmentierungen. Um Segmentierungsfehler zu vermeiden, wurde eine manuelle Vorregistrierung der Bilder durchgeführt.
2.3.2 FLIRT (FMRIB's Linear Image Registration Tool)
Um Bilder einer Person zu verschiedenen Zeitpunkten miteinander vergleichen zu können, müssen diese registriert (übereinander gelegt) und auf ein identisches Punkteraster
15 interpoliert werden (Jenkinson und Smith 2001). Dies erfolgte mit Hilfe der sogenannten FLIRT-Funktion, die immer mit zwei Bildern arbeitet und diese in die halfway-to-Position bringt. In der vorliegenden Auswertung wurde das Ausgangsbild (Zeitpunkt 0) jedes Studienteilnehmers mit einer MNI-Standard-Aufnahme registriert. Die Registrierung der nachfolgenden Aufnahmen (Zeitpunkte 1-4) erfolgte anschließend mit der bereits registrierten Ausgangs-Aufnahme (Zeitpunkt 0). So konnte sichergestellt werden, dass der Mittelpunkt des Netzes reproduzierbar positioniert wurde.
Die Güte der affinen Transformation, die für beide Bilder benötigt wird, um sie in Übereinstimmung zu bringen, wird von einer intensitätsbasierenden Kostenfunktion beschrieben. Die Kostenfunktion wurde in dieser Arbeit mit Hilfe der Einstellung mutual information eingesetzt, um die gemeinsame Information beider Bilder auch bei unterschiedlichem Kontrast zu maximieren (Viola und Wells 1997). Eine lineare räumliche Abbildung (genannt Transformation) wird durch eine Matrix mit 12 Zahlen repräsentiert, die mit Koordinatenvektoren multipliziert wird und so die neuen Koordinaten bildet (Smith et al. 2000). Für die vorbereitenden Registrierungen wurde die Transformation auf Rigid body 6 Parameter eingeschränkt, d.h. drei Rotationen und drei Translationen waren möglich. Die Transformationen werden abschließend auf die ursprünglichen Bilder appliziert, sodass am Ende zwei registrierte Kopfbilder und zwei registrierte Gehirnmasken entstehen (Smith et al. 2001a). Diese fließen in die weitere SIENA-Untersuchung ein.
2.3.3 FAST (FMRIB's Automated Segmentation Tool)
Der nächste SIENA-Arbeitsschritt ist eine Gewebesegmentierung. FAST segmentiert die Pi-xel der Gehirnmaske, die vorher durch BET erzeugt wurde. Je nach Fokus der Untersuchung wird eine unterschiedliche Anzahl an Gewebeklassen differenziert. In der vorliegenden Ar-beit wurden drei Segmentierungsklassen ausgewählt: graue Substanz, weiße Substanz und Liquor. Weiterhin wird eine Korrektur der räumlichen Intensitätsunterschiede durchge-führt (Zhang et al. 2001). Es werden die Eckpunkte der Gehirnoberfläche im Bild ermittelt, die an der Grenze zwischen Hirngewebe und Ventrikel oder „Nicht-Gehirn“ liegen (Smith et al. 2001b). Diese Punkte spannen eine tesselierte Oberfläche auf, an der der letzte Schritt von SIENA erfolgt, die Einschätzung der Hirnvolumenänderung final PBVC [%].
16 2.3.4 Einschätzung der Hirnvolumenänderung
Da, wie unter 2.3.1 beschrieben, das durch BET erzeugte Netz in den vorliegenden Datens-ätzen häufig außerhalb des Gehirns lag, wurde dieser Arbeitsschritt vorab manuell durch-geführt. Ebenso wurde FLIRT vorab durchlaufen, sodass alle Bilder mit der ersten Aufnahme registriert wurden. Hierdurch wurde der Mittelpunkt des BET-Prozesses neu definiert, so-dass dieser identisch für die seriellen Aufnahmen war. Es folgte die Auswertung mit SIENA, die die prozentuale Volumenänderung (final PBVC) lieferte. An den im letzten Abschnitt erwähnten tesselierten Oberflächen wurden lokal die senkrechten Verschiebungen zwi-schen beiden Bildern ermittelt und als Bild dargestellt:
Abbildung 3: Darstellung der Eckpunktveränderung (Smith et al. 2001a, Fig. 4, S. 469. Mit freundlicher Genehmigung durch den Autor).
Dem Originalbild überlagert wird Atrophie dunkel und „Wachstum“ hell dargestellt.
Die mittlere senkrechte Gehirnoberflächenbewegung ergibt sich aus dem Voxelvolumen geteilt durch die Anzahl an Eckpunkten multipliziert mit der Voxelfläche (Smith et al.
2001a). Dieser Wert wird in einem letzten Schritt mit dem Verhältnis von Gehirnvolumen zu Gehirnoberfläche verrechnet, woraus sich schließlich die „PBVC“ ergibt, die prozentuale Gehirnvolumenänderung zwischen den beiden untersuchten Bildern (Smith et al. 2001a).